【技術實現步驟摘要】
本專利技術涉及電網日前調度優化，尤其涉及一種省區日前調度優化方法、裝置、設備以及存儲介質。
技術介紹
1、隨著新型電力系統的不斷建設，大量分布式新能源接入電網，分布式新能源的接入導致電力系統的主動電氣節點規模顯著擴大，且系統運行方式的分散性和隨機性顯著增強，給電網的日前調度計劃制定帶來諸多挑戰，亟需制定一種對電網的省區日前調度進行優化的方法。
技術實現思路
1、本專利技術提供了一種省區日前調度優化方法、裝置、設備以及存儲介質，以解決分布式新能源接入電網給電網的日前調度計劃制定帶來挑戰的技術問題。
2、為了解決上述技術問題，本專利技術實施例提供了一種省區日前調度優化方法，包括：
3、獲取對應省區的歷史運行數據；其中，所述歷史運行數據包括：對應省區的電網調度運行數據、電網模型數據、調度目標、調度約束條件和氣象數據；
4、根據所述歷史運行數據構建對應的運行數據矩陣，繼而將所述運行數據矩陣輸入至一預設的特征提取和聚類模型，以使所述特征提取和聚類模型對所述運行數據矩陣進行特征提取，并將所提取的特征進行聚類，輸出所述運行數據矩陣對應的聚類簇；
5、計算各所述聚類簇與所述運行數據矩陣之間的相似度，將與所述運行數據矩陣相似度最大的聚類簇作為目標聚類簇，并計算所述目標聚類簇中各隨機變量的上限和下限，繼而根據所述上限和下限得到所述目標聚類簇中各控制變量的可行域；
6、根據所述可行域，構建對應的省區日前調度優化模型和所述省區日前調度優化模型的約
7、在所述約束條件的約束下，對所述省區日前調度優化模型進行求解，得到對應省區的日前調度優化機組計劃編排，繼而根據所述日前調度優化機組計劃編排對省區日前調度進行優化。
8、作為優選方案，所述特征提取和聚類模型包括：tae子模型和knet子模型；
9、對所述運行數據矩陣進行特征提取，并將所提取的特征進行聚類，輸出所述運行數據矩陣對應的聚類簇，包括：
10、將所述運行數據矩陣輸入至所述tae子模型，以使所述tae子模型對運行數據矩陣進行特征提取，輸出所述運行數據矩陣的數據特征；
11、將所述運行數據矩陣的數據特征輸入至所述knet子模型，以使所述knet子模型對所述數據特征進行聚類，輸出所述運行數據矩陣對應的聚類簇。
12、作為優選方案，所述特征提取和聚類模型的生成，包括：
13、獲取用于模型訓練的省區運行數據，并根據所述省區運行數據構建對應的運行數據矩陣，將所述省區運行數據對應的運行數據矩陣以及所述運行數據矩陣對應的數據特征作為模型訓練樣本；
14、根據所述模型訓練樣本以及預設的第一損失函數，對所述tae子模型進行訓練；
15、根據所述tae子模型訓練過程中輸出的數據特征和預設的第二損失函數，對所述knet子模型進行訓練，繼而根據所返回的第二損失函數的參數，對所述tae子模型的模型參數進行反向傳播優化，并對所述knet子模型的模型參數與聚類結果進行更新，直至所述tae子模型和knet子模型共同收斂。
16、作為優選方案，所述第一損失函數為：
17、lp＝lrl+α1lccl+α2lcll；
18、
19、其中，lrl為重建損失；lccl為對比損失；lcll為凸組合損失；α1和α2為≥0調優參數，用于調節各損失函數的比重，α2≥0；為余弦相似度計算；mj為原始數據；mj′為重建后的數據；為一個輸入數據的凸組合；g＝(g1,g2,...,gz)為凸組合的系數，且h＝h(n)＝w(2)σ(w(1)n)為含有隱含層的多層感知機，σ為relu非線性層，τ為設定的溫度參數。
20、作為優選方案，所述第二損失函數為：
21、lc＝lrl+α3lk；
22、
23、
24、
25、
26、
27、
28、其中，lk為k-means損失函數；α3≥為0調優參數，α3≥0；oi為第i個聚類中心；cj為樣本j的軟分配向量，cj∈{0,1}k，且cjt1＝1；γ為調節硬分配和正則項的權重；為第t+1次迭代時更新的分配向量；β為梯度下降的步長；為將更新結果投影到概率單純形上的投影算子，保證分配向量的所有元素在0到1之間且和為1；δ(t)為用于加速的參數；ν(0)＝0。
29、作為優選方案，通過以下公式計算各所述聚類簇與所述運行數據矩陣之間的相似度：
30、
31、其中，sj,il為簇j中i行l列變量相似度；bj,il為簇j中i行l列變量最大值與最小值的均值；binput,il為輸入數據中i行l列變量的值。
32、作為優選方案，所述省區日前調度優化模型和所述省區日前調度優化模型的約束條件為：
33、
34、
35、其中，為發電機在節點i在t時刻的出力值；和分別為燃料成本、啟動成本和關停成本；ai、bi和ci均為機組的燃料成本系數；ui,t為機組i在t時刻的啟停狀態變量，ui,t＝1表示機組為啟動狀態，ui,t＝0表示機組為停機狀態；為機組i的啟動成本；為機組i的停機成本；ptl、ptw和分別為t時刻的負荷、風電和光伏的出力值；和分別為相似度最高的簇中發電機的最小出力和最大出力；和分別為相似度最高的簇中機組i的上爬坡和下爬坡；和分別為相似度最高的簇中線路的最大傳輸功率和最小傳輸功率；δlp1,t和δlp2,t分別為線路l兩端的相角；xl為線路l的電抗。
36、在上述實施例的基礎上，本專利技術另一實施例提供了一種省區日前調度優化裝置，包括：歷史運行數據獲取模塊、特征提取和聚類模塊、可行域搜索模塊、省區日前調度優化模型構建模塊以及省區日前調度優化模塊；
37、所述歷史運行數據獲取模塊，用于獲取對應省區的歷史運行數據；其中，所述歷史運行數據包括：對應省區的電網調度運行數據、電網模型數據、調度目標、調度約束條件和氣象數據；
38、所述特征提取和聚類模塊，用于根據所述歷史運行數據構建對應的運行數據矩陣，繼而將所述運行數據矩陣輸入至一預設的特征提取和聚類模型，以使所述特征提取和聚類模型對所述運行數據矩陣進行特征提取，并將所提取的特征進行聚類，輸出所述運行數據矩陣對應的聚類簇；
39、所述可行域搜索模塊，用于計算各所述聚類簇與所述運行數據矩陣之間的相似度，將與所述運行數據矩陣相似度最大的聚類簇作為目標聚類簇，并計算所述目標聚類簇中各隨機變量的上限和下限，繼而根據所述上限和下限得到所述目標聚類簇中各控制變量的可行域；
40、所述省區日前調度優化模型構建模塊，用于根據所述可行域，構建對應的省區日前調度優化模型和所述省區日前調度優化模型的約束條件；
41、所述省區日前調度優化模塊，用于在所述約束條件的約束下，對所述省區日前調度優化模型進行求解，得到對應省區的日前調度優化機組計劃編本文檔來自技高網...
【技術保護點】
1.一種省區日前調度優化方法，其特征在于，包括：
2.如權利要求1所述的省區日前調度優化方法，其特征在于，所述特征提取和聚類模型包括：TAE子模型和KNet子模型；
3.如權利要求2所述的省區日前調度優化方法，其特征在于，所述特征提取和聚類模型的生成，包括：
4.如權利要求3所述的省區日前調度優化方法，其特征在于，所述第一損失函數為：
5.如權利要求4所述的省區日前調度優化方法，其特征在于，所述第二損失函數為：
6.如權利要求1所述的省區日前調度優化方法，其特征在于，通過以下公式計算各所述聚類簇與所述運行數據矩陣之間的相似度：
7.如權利要求1所述的省區日前調度優化方法，其特征在于，所述省區日前調度優化模型和所述省區日前調度優化模型的約束條件為：
8.一種省區日前調度優化裝置，其特征在于，包括：歷史運行數據獲取模塊、特征提取和聚類模塊、可行域搜索模塊、省區日前調度優化模型構建模塊以及省區日前調度優化模塊；
9.一種電子設備，其特征在于，包括處理器、存儲器以及存儲在所述存儲器中且被配置為
10.一種存儲介質，其特征在于，所述存儲介質包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述存儲介質所在設備執行如權利要求1至7中任意一項所述的省區日前調度優化方法方法。
...【技術特征摘要】
1.一種省區日前調度優化方法，其特征在于，包括：
2.如權利要求1所述的省區日前調度優化方法，其特征在于，所述特征提取和聚類模型包括：tae子模型和knet子模型；
3.如權利要求2所述的省區日前調度優化方法，其特征在于，所述特征提取和聚類模型的生成，包括：
4.如權利要求3所述的省區日前調度優化方法，其特征在于，所述第一損失函數為：
5.如權利要求4所述的省區日前調度優化方法，其特征在于，所述第二損失函數為：
6.如權利要求1所述的省區日前調度優化方法，其特征在于，通過以下公式計算各所述聚類簇與所述運行數據矩陣之間的相似度：
7.如權利要求1所述的省區日前調度優化方法，其特征...
【專利技術屬性】
技術研發人員：倪斌業，沈志鈞，蔡新雷，江里舟，藍天，吳岳洲，祝錦舟，郭乾，周巍，孟子杰，董鍇，
申請(專利權)人：廣東電網有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。